Logo
☆☆☆☆☆
0.0
Advanced
8h

理解深度学习在罕见事件预测中的应用

本课程旨在帮助你掌握深度学习的关键概念,包括多层感知机、长短期记忆(LSTM)网络、卷积神经网络以及自编码器,这些技术均聚焦于罕见事件的预测。 通过本课程,你将获得实际开发罕见事件预测解决方案的经验。你将从建模发生频率较低的罕见事件开始,接着探索处理不平衡数据的机器学习与深度学习方法。随后,你将学习罕见事件“预测”的基本原理及其统计基础,以及相应的预测策略。最后,你将使用 TensorFlow 实现真实场景下的预测模型,该框架是构建和训练模型不可或缺的工具。 完成本课程后,你将熟练掌握在罕见事件预测中应用的先进机器学习与深度学习技术。这些实践练习不仅能帮助你解决复杂问题,还将为你在此领域的深入研究与创新奠定坚实基础。

8 Lessons
Included in Subscription Plan
Personalized Learning
Powered by AI
理解深度学习在罕见事件预测中的应用
本课程旨在帮助你掌握深度学习的关键概念,包括多层感知机、长短期记忆(LSTM)网络、卷积神经网络以及自编码器,这些技术均聚焦于罕见事件的预测。 通过本课程,你将获得实际开发罕见事件预测解决方案的经验。你将从建模发生频率较低的罕见事件开始,接着探索处理不平衡数据的机器学习与深度学习方法。随后,你将学...

WHAT YOU'LL LEARN

对深度学习基础的理解,包括多层感知机、长短期记忆网络(LSTMs)、卷积神经网络和自编码器

Content

8 Lessons • 0 Quizzes • 0 Challenges

入门
  1. 1

    简介

  2. 2

    预测模式与罕见事件预测

  3. 3

    罕见事件的影响与预测

  4. 4

    解决纸张断裂难题(concept)

  5. 5

    不平衡数据的机器学习与深度学习解决方案

  6. 6

    测验:入门

罕见事件预测
  1. 1

    统计基础与预测策略

  2. 2

    解决时空挑战

  3. 3

    测验:罕见事件预测

多层感知机(MLPs)
  1. 1

    揭开神经网络基础的面纱

  2. 2

    理解多层感知机

  3. 3

    数据准备与归一化

  4. 4

    神经网络构建

  5. 5

    使用 Dropout 来应对过拟合

  6. 6

    使用类别权重优化神经网络

  7. 7

    使用高级功能激活神经网络势

  8. 8

    自定义激活函数

  9. 9

    通过自定义指标提升模型选择

  10. 10

    优化和评估最终的神经网络模型

  11. 11

    练习:在神经网络中应用批量归一化

  12. 12

    测验:多层感知机(MLPs)

长短期记忆(LSTM)网络
  1. 1

    理解长短期记忆网络

  2. 2

    长短期记忆单元的复杂性

  3. 3

    理解LSTM的激活与稳定梯度

  4. 4

    LSTM层操作与网络架构

  5. 5

    使用LSTM模型准备和分析时间序列数据

  6. 6

    用于基线建模的受限无状态LSTM网络

  7. 7

    无限制LSTM结合丢弃法和反向输入

  8. 8

    双向LSTM用于增强时序学习

  9. 9

    LSTM模型的高级技术

  10. 10

    练习:探索LSTM模型中的激活函数

  11. 11

    测验:长短期记忆(LSTM)网络

卷积神经网络(CNNs)
  1. 1

    卷积网络在高维数据迷宫中的应用

  2. 2

    解码卷积

  3. 3

    理解参数共享、弱滤波器与等变性

  4. 4

    池化层在卷积网络正则化中的作用

  5. 5

    卷积网络中的卷积核

  6. 6

    填充、步长和膨胀

  7. 7

    卷积网络的架构

  8. 8

    将卷积网络应用于多变量时间序列

  9. 9

    建模多变量时间序列

  10. 10

    高效的池化策略

  11. 11

    利用完整统计量提升效率

  12. 12

    策略性池化方法

  13. 13

    优化特征图池化

  14. 14

    进阶的池化技术

  15. 15

    构建一个优化的基准卷积网络

  16. 16

    练习:带有更长回看窗口的时间序列分析

  17. 17

    测验:卷积神经网络

自编码器
  1. 1

    自编码器作为主成分分析的神经网络版本

  2. 2

    多种自编码器及其应用

  3. 3

    使用自编码器进行异常检测

  4. 4

    构建稀疏自编码器

  5. 5

    用于序列和图像数据的高级自编码器

  6. 6

    提升自编码器模型

  7. 7

    优化自编码器架构

  8. 8

    测验:自编码器

结论
  1. 1

    结语

已恢复的课程
  1. 1

    练习(等待作者回复)

Certificate of Completion

Showcase your accomplishment by sharing your certificate of completion.

Course Author:Anonymous User

Reviews

Read reviews from students who have taken this course and share your own experience.

Reviews & Comments (0)